LangChain publicó una comparación de sus tres capas de código abierto el 6 de agosto de 2026: LangGraph (runtime), LangChain (framework) y Deep Agents (harness). El artículo nombra números exactos de producción detrás del agente GTM interno de LangChain y proporciona un árbol de decisión para elegir la abstracción correcta. El hallazgo clave: elegir la capa equivocada cuesta 20× más por ejecución de inferencia.
LangGraph está en la base: los nodos son funciones de Python, los bordes son lógica de enrutamiento condicional, el estado es un TypedDict. Cada transición de nodo se guarda en almacenamiento duradero, por lo que los agentes sobreviven a los reinicios y se pueden reproducir desde cualquier estado anterior. Interrupt_before puede pausar la ejecución en nodos peligrosos—escrituras de base de datos, llamadas externas a API—y esperar aprobación humana. LangChain se sitúa encima de LangGraph: una abstracción de bucle (LLM + herramientas + ganchos de middleware) ejecutándose en el motor de LangGraph desde v1.0 de octubre de 2025. Deep Agents se sitúa en la parte superior: el bucle de LangChain más middleware, añadiendo sistema de archivos virtual, generación de subagentes, skills (módulos de instrucciones bajo demanda) y memoria entre ejecuciones. LangChain: "Deep Agents es en realidad solo el agente LangChain principal más middleware."
El agente GTM de LangChain se ejecuta en Deep Agents en producción, manejando ~10.000 solicitudes por semana en 150 usuarios activos. El 26% es iniciado por usuario; el 74% es ambiental (trabajo de fondo programado o activado por eventos). La mayoría del tráfico de agentes en producción ahora se ejecuta de forma autónoma, sin intervención humana en el momento de la invocación. El agente se despliega a través de LangSmith Deployments, manejando ejecuciones tanto interactivas como programadas.
Los costos de tokens varían considerablemente por capa. Deep Agents consumió 20× más tokens que LangGraph en una tarea de matemática-más-investigación. La sobrecarga proviene de la planificación (una lista de tareas persistente), escrituras del sistema de archivos virtual e inicialización de subagentes. Al precio de GPT-4o-mini, 10.000 ejecuciones diarias cuestan ~$10 en LangGraph y ~$200 en Deep Agents. Deep Agents se ejecutó más rápido en tiempo real porque paraleliza y agrupa llamadas de LLM; LangGraph realiza llamadas secuenciales. Compensación: alta autonomía y latencia más baja cuesta más; los grafos explícitos cuestan menos pero añaden latencia.
Los datos de producción respaldan LangGraph para trabajo sensible a la precisión. Rexera redujo los falsos positivos del 35% (LLM de un solo prompt) al 2% (LangGraph). Realm-X de AppFolio mejoró 2× la precisión de respuesta y ahorra 10+ horas por gerente de propiedades por semana; una característica pasó del 40% al 80% de precisión. Klarna redujo el tiempo de resolución de 11 a 2 minutos, ahora maneja 2,5 millones de conversaciones, con una mejora de ganancia proyectada de $40 millones. La sobrecarga de orquestración de LangGraph—14ms por consulta frente a 10ms de LangChain—es insignificante en relación con estos resultados.
Las restricciones de plataforma importan. LangGraph Platform no admite serverless; los equipos de Vercel y Cloudflare Workers necesitan Mastra o Vercel AI SDK. LangGraph Platform cuesta ~$0,001 por ejecución de nodo; un equipo de cinco personas con 500 usuarios activos diarios paga ~$230/mes antes de los costos de LLM. AgentExecutor está descontinuado y solo en mantenimiento hasta diciembre de 2026; los nuevos proyectos usan create_agent() o StateGraph.
Comience con Deep Agents para un harness capaz con baterías incluidas. Use LangChain para control granular de herramientas y contexto por paso. Use LangGraph directamente cuando su flujo de trabajo mezcle pasos deterministas y agentivos, requiera estado duradero y puertas humanas en el bucle, o necesite economía de sub-centavos por nodo a escala.